sklearn支持多類別(Multiclass)分類和多標簽(Multilabel)分類：多類別分類：超過兩個類別的分類任務。多類別分類假設每個樣本屬于且僅屬于一個標簽，類如一個水果可以是蘋果或者是桔子但是不能同時屬于兩者。

多標簽分類：給每個樣本分配一個或多個標簽。例如一個新聞可以既屬于體育類，也屬于文娛類。

sklearn的官方文檔給出了支持多標簽分類的類，包括如下：

以決策樹舉例，給出如下實現過程

數據準備

from sklearn.datasets import make_multilabel_classification

# Generate a random multilabel classification problem.

# For each sample, the generative process is:

# pick the number of labels: n ~ Poisson(n_labels)

# n times, choose a class c: c ~ Multinomial(theta)

# pick the document length: k ~ Poisson(length)

k times, choose a word: w ~ Multinomial(theta_c)

X, Y = datasets.make_multilabel_classification(n_samples=10, n_features=5, n_classes=3, n_labels=2)

生成的X和Y為如下形式的數據：

分類

from sklearn.model_selection import train_test_split

from sklearn.tree import DecisionTreeClassifier

# Split dataset to 8:2

X_train, X_test, Y_train ,Y_test = train_test_split(X, Y, test_size=0.2)

cls = DecisionTreeClassifier()

cls.fit(X_train, Y_train)

多標簽分類評估

from sklearn import metrics

Y_pred = cls.predict(X_test)

Y_test和Y_pred值如下：

metrics.f1_score(Y_test, Y_pred, average="macro")

# 0.666

metrics.f1_score(Y_test, Y_pred, average="micro")

# 0.8

metrics.f1_score(Y_test, Y_pred, average="weighted")

# 1.0

metrics.f1_score(Y_test, Y_pred, average="samples")

# 0.4

概率預測

Y_prob = cls.predict_proba(X_test)

X_test和Y_prob值如下：predict_proba(X)

X：array-like or sparse matrix of shape = [n_samples, n_features]

RETURN：array of shape = [n_samples, n_classes], or a list of n_outputs

總結

以上是生活随笔為你收集整理的python多标签分类_如何通过sklearn实现多标签分类？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。